신입 개발자 채용 27%→9%: AI가 일자리를 없앤다는 뜻일까

밤 11시 40분, 포트폴리오의 프로젝트 설명을 또 고치던 취업 준비생이 휴대폰을 집어 듭니다. 화면에는 “AI 회사조차 신입 개발자 채용을 3분의 1로 줄였다”는 제목이 떠 있습니다. 이어서 “AI 에이전트가 사람보다 6배 더 일한다”는 문장까지 보입니다. 아직 지원서도 다 쓰지 못했는데, 공부를 계속하는 게 맞는지부터 흔들립니다.

이 장면은 특정인의 실제 경험담이 아니라, 취업 준비 과정에서 흔히 겪는 불안을 공식 연구와 보도 내용을 바탕으로 재구성한 사례입니다. MUMULAB이 직접 앤트로픽에 지원하거나 내부 도구를 사용했다고 주장하지 않습니다.

결론부터 말하면, 앤트로픽에서 기술직 신규 채용 중 주니어 비중이 27%에서 9%로 낮아진 것은 사실입니다. 하지만 이것은 “전체 신입 일자리의 3분의 2가 사라졌다”는 뜻도, “AI가 사람보다 생산성이 6배 높다”는 뜻도 아닙니다. 한 회사의 내부 구성 변화입니다. 그럼에도 무시할 신호는 아닙니다. 구현만 빨리 하는 사람보다, 문제를 정의하고 AI의 결과를 검증하며 끝까지 책임지는 사람을 더 높게 보는 방향이 분명해졌기 때문입니다.

먼저 숫자의 분모부터 보세요

앤트로픽이 2026년 10월 16일 공개한 고용 변화 연구는 직원 수, 채용 기록, AI 사용량, 산출물, 설문, 사내 커뮤니케이션, 일정 자료와 17건의 인터뷰를 함께 분석했습니다. 여기서 자주 인용되는 두 수치는 서로 다른 질문에 답합니다.

헤드라인에서 보이는 숫자	정확한 뜻	뜻하지 않는 것
기술직 주니어 직원 21%→14%	기술 부서에 현재 재직하는 사람 중 주니어 비중	주니어 직원 3명 중 1명을 해고했다는 뜻
기술직 신입 채용 27%→9%	새로 채용한 기술직 인원 중 주니어가 차지한 비중	전체 기술직 채용이 67% 줄었다는 뜻
AI 에이전트 시간 6:1	8월 기준 에이전트의 실행시간이 사람의 추정 근무시간보다 6배 많았다는 뜻	AI가 사람보다 6배 생산적이거나 6명을 대체했다는 뜻

보고서는 기술 부서의 절대 채용이 여전히 늘었다고 적습니다. 다만 영업·재무·채용 같은 비기술 부서가 더 빠르게 커져 전체 직원 중 기술 부서 비중은 61%에서 56%로 낮아졌습니다. “채용이 모두 멈췄다”와 “채용의 구성과 속도가 달라졌다”는 전혀 다른 이야기입니다.

‘AI가 6배 일한다’는 문장은 왜 위험할까

연구의 6:1은 결과물이나 매출이 아니라 시간의 비율입니다. 앤트로픽은 에이전트가 추론하거나 도구를 실제로 쓰는 시간을 합산하고, 30분을 넘는 대기 시간은 제외했습니다. 사람의 시간은 직원 수에 주 40시간을 곱해 추정했습니다.

이 계산에는 같은 시간 동안 무엇을 완성했는지, 오류를 고치는 데 사람이 얼마나 썼는지, 결과가 고객 가치로 이어졌는지가 들어 있지 않습니다. 실제로 보고서는 에이전트 세션이 사람의 입력을 기다리느라 약 80%의 시간 동안 유휴 상태였다고 설명합니다. 코드 커밋 속도가 6개월 전보다 5배가 됐다는 내부 지표도 제시하지만, 연구진 스스로 “코드가 많다”와 “사업 성과가 크다”는 같지 않다고 선을 긋습니다.

따라서 이 숫자에서 읽을 수 있는 것은 “AI가 사람 6명을 대체했다”가 아니라, 사람 한 명이 여러 에이전트를 동시에 지시하고 검토하는 작업 구조가 이미 생겼다는 사실입니다. 병목은 타이핑 속도에서 인간의 판단과 피드백으로 이동합니다.

왜 주니어가 먼저 압박을 받는가

전통적으로 주니어에게 맡기던 일에는 정해진 패턴의 코드 작성, 문서 초안, 테스트 뼈대, 데이터 정리처럼 범위가 비교적 명확한 작업이 많았습니다. 생성형 AI와 코딩 에이전트가 가장 빨리 파고드는 구간도 이곳입니다. 회사 입장에서는 같은 결과를 시니어 한 명과 여러 에이전트로 낼 수 있는지 시험하기 쉽습니다.

하지만 이것만으로 채용 감소의 원인을 AI 하나로 확정할 수는 없습니다. 앤트로픽 연구는 한 빠르게 성장한 AI 회사의 관찰 자료입니다. 경기, 투자, 조직 확대 단계, 직무 구성, 채용 기준 변화가 동시에 작동합니다. AI를 많이 쓰는 사람과 그렇지 않은 사람도 무작위로 배정되지 않았습니다. 연구진 역시 일반 기업 전체로 확대 해석할 때 주의하라고 밝히며, 회사의 어떤 조치도 주니어 채용 둔화를 직접 해결하지는 못했다고 적습니다.

그래서 취업 준비생에게 필요한 태도는 공포도 낙관도 아닙니다. “AI 때문에 끝났다”가 아니라, 예전의 주니어 증명 방식이 약해졌다고 보는 편이 정확합니다.

채용 기준은 구현량에서 판단 과정으로 이동합니다

보고서에서 관리자들은 기술 인력에게 자율성과 판단을 더 강조하게 됐다고 답했습니다. 좁은 영역의 지식만으로 평가하기보다, 모호한 문제를 쪼개고 도구의 결과를 검토하며 다른 사람과 조율하는 능력을 더 중요하게 본다는 뜻입니다. 동시에 회의 시간은 전체 직원 중앙값 기준 약 20%, 기술직 개인 기여자는 약 16% 늘었습니다. AI가 코드를 줄여 주더라도 설명·합의·검토가 사라지지는 않은 셈입니다.

지원서도 변하고 있습니다. 기술 지원서에서 AI 도구를 언급한 비율은 2024년 약 5%에서 2026년 그 세 배 수준으로 늘었다고 연구는 설명합니다. 이제 “ChatGPT를 쓸 줄 압니다”는 차별점이 되기 어렵습니다. 어떤 문제에서 사용했고, 어디서 틀렸으며, 무엇으로 검증했고, 최종 결정을 왜 사람이 내렸는지를 보여 줘야 합니다.

AI 코딩 도구 비교 가이드에서 도구를 골랐다면, 다음 단계는 도구 이름을 이력서에 한 줄 더 넣는 것이 아닙니다. 사용 기록을 판단의 증거로 바꾸는 일입니다.

7일 포트폴리오: 완성품보다 결정 기록을 남기세요

거대한 서비스를 새로 만들 필요는 없습니다. 작은 업무 하나를 골라, AI와 함께 해결한 전 과정을 일주일 안에 공개 가능한 사례로 만드세요.

1일 차 — 작은 문제를 고릅니다. 영수증 분류, CSV 오류 탐지, 회의록 할 일 추출처럼 입력과 완료 조건이 분명한 문제를 선택합니다.
2일 차 — 브리프를 씁니다. 사용자, 제약, 성공 기준, 다루면 안 되는 개인정보, 실패했을 때의 영향까지 한 페이지에 적습니다.
3일 차 — AI를 사용합니다. 사용한 모델과 프롬프트, 생성된 코드나 문서의 버전을 저장합니다. 잘된 결과만 남기지 마세요.
4일 차 — 실패를 분류합니다. 환각, 누락, 보안 위험, 예외 처리 실패, 비용 증가처럼 실제 오류를 세 가지 이상 찾습니다.
5일 차 — 검증 장치를 붙입니다. 자동 테스트, 원본 대조표, 샘플 검수, 출처 링크 중 최소 두 가지로 결과를 확인합니다.
6일 차 — 결정 로그를 씁니다. AI 제안을 채택·수정·폐기한 이유와 그 판단의 대안을 짧게 기록합니다.
7일 차 — 하나의 사례로 공개합니다. 데모 링크보다 문제·판단·검증·한계가 먼저 보이게 정리하고, 비밀정보와 개인 데이터는 제거합니다.

이 포트폴리오는 “AI로 빨리 만들었습니다”가 아니라 “AI가 틀릴 때도 결과를 책임질 수 있습니다”를 증명합니다. 코딩 직무가 아니어도 같은 구조를 쓸 수 있습니다. 마케팅 문구라면 사실 검증과 브랜드 기준, 데이터 분석이라면 재현성과 결측치 처리, 기획이라면 정책 예외와 이해관계자 검토가 증거가 됩니다.

이력서에는 도구보다 결과와 검증을 쓰세요

나쁜 문장은 “Claude와 ChatGPT를 활용해 개발 효율을 높임”입니다. 무엇을 했고 얼마나 좋아졌는지, 본인이 어디서 판단했는지 알 수 없습니다. 다음처럼 네 칸으로 바꾸세요.

문제: 매주 두 시간 걸리던 고객 문의 분류에서 같은 문의가 여러 카테고리로 갈라졌습니다.
AI의 역할: 분류 초안을 만들고 유사 문의 후보를 묶었습니다.
내 판단과 검증: 200건 표본으로 오류 유형을 정의하고, 개인정보가 들어간 항목은 자동 처리에서 제외했습니다.
결과와 한계: 검토 시간을 줄였지만 신규 유형은 사람이 승인하도록 남겼습니다.

결과 수치를 아직 측정하지 못했다면 만들지 마세요. “30% 향상” 대신 측정 방식과 다음 실험을 쓰는 편이 낫습니다. 과장된 성과 문구를 고치려면 이력서가 자꾸 광탈하는 이유와 ATS 점검법도 함께 확인하세요.

면접에서는 ‘AI 없이도 할 수 있나요?’에 대비하세요

면접관이 확인하려는 것은 도구를 금지했을 때의 속도가 아니라, 지원자가 결과의 원리를 이해하고 통제하는지입니다. 포트폴리오 하나마다 아래 질문에 답을 준비하세요.

AI가 가장 그럴듯하게 틀린 지점은 어디였나요?
그 오류를 자동으로 잡는 테스트나 기준은 무엇인가요?
비용이나 시간이 두 배로 늘면 어떤 부분부터 줄이나요?
모델을 바꿔도 남는 자신의 역량은 무엇인가요?
동료가 결과에 반대했을 때 어떤 근거로 합의하나요?

답은 “제가 전부 확인했습니다”보다 구체적이어야 합니다. 어떤 표본을 몇 건 봤는지, 어떤 테스트가 실패했는지, 사람이 승인해야 하는 경계를 어디에 뒀는지 말하세요. 질문을 소리 내어 연습하려면 AI 모의 면접 실전 가이드를 연결해 볼 수 있습니다.

회사도 주니어 파이프라인을 포기하면 안 됩니다

단기 생산성만 보면 경험 많은 인력과 AI를 묶는 선택이 합리적으로 보일 수 있습니다. 하지만 주니어 채용을 오래 줄이면 몇 년 뒤 시니어가 될 사람이 사라집니다. 조직 내부 지식도 소수에게 몰립니다. 앤트로픽의 결과는 주니어가 필요 없다는 결론이 아니라, 초급 업무를 새로 설계해야 한다는 경고에 가깝습니다.

회사는 단순 반복 과제를 주는 대신 작은 문제의 책임, AI 결과 검토, 고객 맥락 설명, 선배의 결정 과정을 관찰할 기회를 묶어야 합니다. 평가도 코드 줄 수나 처리 건수만 보지 말고 오류 발견, 질문의 질, 검증 근거, 협업 기록을 포함해야 합니다. 더 넓은 업무 변화는 AI가 바꾸는 미래 업무 가이드에서 이어서 볼 수 있습니다.

지원 전 마지막 체크리스트

[ ] 27%→9%를 “전체 일자리 감소”로 잘못 인용하지 않았나요?
[ ] 포트폴리오에 문제 정의와 완료 조건이 있나요?
[ ] AI가 만든 결과뿐 아니라 실패와 수정 기록을 남겼나요?
[ ] 테스트·원본 대조·사용자 검토 중 두 가지 이상을 보여 주나요?
[ ] 면접에서 채택·수정·폐기 이유를 설명할 수 있나요?
[ ] 측정하지 않은 생산성 수치를 성과처럼 쓰지 않았나요?

신입 개발자에게 쉬운 시장이라고 말할 근거는 없습니다. 그렇다고 한 회사의 비중 변화가 모든 진입로의 폐쇄를 뜻하지도 않습니다. 지금 더 강한 포트폴리오는 AI가 만든 결과물을 많이 늘어놓는 것이 아니라, 모호한 문제를 정의하고 실패를 발견하며 검증된 결과만 전달한 기록입니다. 타이핑의 가치는 낮아질 수 있어도, 판단의 증거는 더 비싸지고 있습니다.

출처와 해석의 한계

핵심 수치와 정의는 앤트로픽의 How employment is changing at Anthropic을 기준으로 했고, 저자들의 전망과 정책적 맥락은 Expectations for the future에서 교차 확인했습니다. 독립 보도는 TechCrunch의 분석, India Today의 보도, 중앙일보 팩플의 한국어 보도와 대조했습니다.

이 연구는 앤트로픽 한 회사의 관찰 자료이며 무작위 대조 실험이 아닙니다. 빠르게 성장하는 AI 기업의 채용 구조를 전체 산업이나 한국 채용시장에 그대로 적용할 수 없습니다. 주니어의 구체적 분류 기준, 경기와 조직 확장의 영향, AI 사용이 채용 변화의 직접 원인인지도 공개 자료만으로 확정할 수 없습니다. 이 글은 2026년 10월 20일 공개 자료를 기준으로 작성했으며 후속 연구가 나오면 해석을 갱신합니다.